generalised linear mixed models (glmm) und die logistische

Generalised linear mixed models (GLMM) und die logistische Regression

Jonathan Harrington

Die R-Befehle: glmm.txt

library(lme4) anna = read.table(paste(pfad, "anna.txt", sep="/")) annalang = read.table(paste(pfad, "annalang.txt", sep="/")) lax = read.table(paste(pfad, "lax.txt", sep="/"))

Wie im Mixed Model gibt es in einem GLMM mindestens einen Random Factor, mit dem die Variabilität ausgeklammert werden kann.

In einem MM ist der Response (abhängige Variable) numerisch; in einem GLMM binär und kategorial (wie in der logisJschen Regression).

zB

ja ja nein ja nein... "b", "d", "d", "d", "b", "b"... "rot", "rot", "grün", "rot"...

aber nicht

"b", "d", "g", "g", "d"... "rot", "gelb", "grün", "rot", "schwarz..."

Die abhängige Variable

Fixed factors, random factors

Ähnlich wie in einem MM wird differenziert prinzipiell zwischen fixed factors (sollen geprüR werden) und random factors (sollen ausgeklammert werden)

MM: ReakJonszeiten (RT) wurden von 10 Versuchsperson in 200 verschiedenen Wörtern gemessen. Die Wörter unterschieden sich in der Wortlänge (1 vs 2 Silben) und Vokal (/i, u, a/). Inwiefern haben Wortlänge und Vokal einen Einfluss auf die RTs? GLMM: 10 Hörer mussten in 200 Wörtern entscheiden ob das Wort ein FunkJons-‐ oder Inhaltswort war. Die Wörter unterschieden sich in der Wortlänge (1 vs 2 Silben) und Vokal (/i, u, a/). Inwiefern haben Wortlänge und Vokal einen Einfluss auf die Entscheidungen?

Response Fixed factor(s) Random factor(s)

MM:

GLMM: Wortlänge, Vokal

Sprecher, Wort

Hörer, Wort

ReakJonszeiten

I vs F Entscheidungen

Parameter-‐Einschätzung: MM und GLMM In einem MM und GLMM werden zwei Parameter m (Neigung) und k (Intercept) eingeschätzt, um den Abstand zwischen tatsächlichen und eingeschätzten Werten zu minimieren. Für MM ist die Formel dafür ähnlich wie in der linearen Regression für GLMM wie in der logisJschen Regression

MM GLMM

Anders als die lineare oder lineare Regression wird getrennt pro Stufe des Random Faktors (zB pro Sprecher) einen k und ggf. einen m berechnet (also sprecher-‐ und/oder wortspezifische Berechung dieser Parameter, wenn Vpn und Wort als random factors genannt werden)

y: zB die ReakJonszeiten, y deren Einschätzung

^ p: zB ProporJon von "Inhalt"-‐Antworten, p deren Einschätzung ^

y = mx + k ^

€

p =e(mx+k )

1+ e(mx+k )^

Parameter-‐Einschätzung und Random Factors: MM und GLMM

1. Berechnung von einem sprecherspezifischen k

GLMM: 10 Hörer mussten in 200 Wörtern entscheiden ob das Wort ein FunkJons-‐ oder Inhaltswort war. Die Wörter unterschieden sich in der Wortlänge (1 vs 2 Silben) und Vokal (/i, u, a/). Inwiefern haben Wortlänge und Vokal einen Einfluss auf die Entscheidungen?

2. Berechnung sprecherspezifische k und m

Zwei Möglichkeiten den Sprecher (oder irgeneinen Factor) als Random festzulegen

Die SprechervariaJon wird herausgerechnet, ohne die StufenauJeilung zu berücksichLgen

R syntax: (1 | Sprecher)

die SprechervariaJon wird getrennt pro Stufe des genannten fixed factors herausgerechnet

(1+Wortlänge | Sprecher) = die SprechervariaJon wäre getrennt aus einsilbigen und zweisilbigen Wörtern ausgeklammert.

Fixed factors: MM und GLMM

In einem MM (und RM-‐Anova) wird geprüR, ob ein, oder mehrere Faktoren, den Response signifikant beeinflussen. zB

MM: wird ReakJonszeiten vom Wortlänge (1 vs 2 Silben) und Vokal (/i, u, a/) signifikant beeinflusst – und interagieren diese Faktoren?

GLMM: liefert Ergebnisse in dem immer nur zwei Stufen miteinander verglichen werden können

Ein Hörer muss entscheiden, ob ein Wort ein Logatom ist oder nicht (ja/nein). Wird diese Entscheidung von der Wortlänge (1 oder 2 Silben) oder Vokal (/i, u, a/) signifikant beeinflusst?

Man kann prüfen, ob die Entscheidungen beeinflusst werden von:

1 vs 2 Silben. /i/ vs /u/ /u/ vs /a/ einsilbiger /i/ vs zwesilbiger /i/ einsilbiger /u/ vs zwesilbiger /a/

also immer nur paarweise StufenkombinaLonen

GLMM: Ein fixed factor mit 2 Stufen

(Daten von Anna Rühl). Ein Spracherkennungssystem musste entscheiden, ob ein akusJsches Signal prä-‐ oder postaspiriert war. Die AspiraJonssegmente wurden von verschiedenen Versuchspersonen produziert. Es wurde pro Segment ermiielt, ob richJg (Correct) oder falsch (Incorrect) erkannt wurde. Unterscheidet sich die Verteilung Correct:Incorrect in pre-‐ vs. postaspirierte Segmente?

head(annalang)

Es gibt zwei (und nur diese 2) Möglichkeiten den Response vorzubereiten:

Matrix Vektor head(anna)

Fixed Factor:

Random Factor:

AspiraJon (2 Stufen: pre vs post)

Sprecher

GLMM und Basis-‐Stufe

In einem GLMM wird immer der Unterschied zwischen einer Basis-‐Stufe und (paarweise) allen anderen Stufen des Faktors geprüR.

Die Basis-‐Stufe wird durch levels() vermiielt und kann durch relevel() geändert werden:

with(anna, levels(Asp)) "post" "pre" !

Asp2 = with(anna, relevel(Asp, "pre"))

levels(Asp2)

"pre" "post"!

with(anna, levels(Cons)) "k" "p" "t"

Ein GLMM prüR paarweise die Enlernung (und Signifikanz) der anderen Stufen zur Basis also:

(1) von pre zu post

(2) von post zu pre (3) (i) von /p/ zu /k/ sowie (getrennt) (ii) von /t/ zu /k/

1.

2.

3.

annalang.lmer = lmer(Response ~ Asp + (1|Sp), family="binomial", data = annalang)

anna.lmer = lmer(cbind(Incorrect, Correct) ~ Asp + (1|Sp), family="binomial", data = anna) print(annalang.lmer, corr=F) print(anna.lmer, corr=F)

Asppre -1.1279 0.1613 -6.992 2.72e-12 ***! Estimate Std. Error z value Pr(>|z|)!

Ein GLMM mit AspiraJon als fixed factor und Sprecher als random factor zeigte einen signifikanten Einfluss von Prä-‐ vs. PostaspiraJon auf die Erkennungsrate (z = 7.0, p < 0.001).

Die Enlernung in Standardabweichungen der Normalverteilung (z-‐scores) zwischen pre und der Basis-‐Stufe (= post).

Asppre = Die Stufe pre des fixed factors AspiraJon (die Basis ist die andere Stufe (post) und wird nicht gezeigt)

entweder: oder:

lmer(... family = "binomial")

GLMM: Ein kategorialer Faktor und 3 Stufen

Inwiefern wurde die Erkennungsrate von der ArJkulaJonsstelle beeinflusst?

c.lmer = lmer(Response ~ Cons + (1|Sp), family="binomial", data = annalang)

Fixed effects:! Estimate Std. Error z value Pr(>|z|) !(Intercept) 0.8787 0.1455 6.037 1.57e-09 ***!Consp 0.5327 0.1969 2.705 0.00682 ** !Const -0.2722 0.1789 -1.521 0.12821 !

/p/ ist 2.705 Standardabweichungen von /k/ enlernt /t/ ist 1.521 Standardabweichungen von /k/ enlernt

print(c.lmer, corr=F)

Um die /t/-‐/p/ Enlernung zu vermiieln müsste Cons mit Basis /p/ oder /t/ kodiert werden.

Fixed effects:! Estimate Std. Error z value Pr(>|z|) !Consp 0.5327 0.1969 2.705 0.00682 ** !Const -0.2722 0.1789 -1.521 0.12821 !

Ein GLMM mit fixed factor ArJkulaJonsstelle und mit Sprecher als random factor zeigte signifikante Unterschiede zwischen /k/ und /p/ (z = 2.7, p < 0.01), und /p/ und /t/ (z = 4.2, p < 0.001). Der Unterschied zwischen /k/ und /t/ war nicht signifikant.

GLMM: Ein kategorialer Factor und 3 Stufen

d.lmer = lmer(Response ~ Cons2 + (1|Sp), family="binomial", data = annalang)

Cons2 = with(annalang, relevel(Cons, "p"))

Fixed effects:! Estimate Std. Error z value Pr(>|z|) !Cons2k -0.5327 0.1969 -2.705 0.00682 ** !Cons2t -0.8048 0.1930 -4.170 3.04e-05 ***

print(d.lmer, corr=F)

Parameter Berechnung und random factors


In diesem Modell wird wegen (1|Sp) getrennt pro Sprecher ein Intercept berechnet (Ausklammerung der Sprechervariabilität, ohne die AuReilung von einem fixed factor in Stufen zu berücksichJgen. Aus diesem Grund ist k unterschiedlich, m dasselbe): coef(c.lmer) (Intercept) Consp Const!

EBJ 0.6993940 0.5326656 -0.2721793!GGU 0.9919618 0.5326656 -0.2721793!JEI 0.6556235 0.5326656 -0.2721793!

Hier wäre m und k pro Sprecher berechnet: die Sprechervariabilität wird pro Stufe von Cons ausgeklammert

c.lmer2 = lmer(Response ~ Cons + (1 + Cons|Sp), family="binomial", data = annalang)

und es gibt unterschiedliche k und m Werte pro Sprecher:

$Sp! (Intercept) Consp Const!EBJ 0.1695354 2.17175146 -0.10447699!GGU 0.6353814 1.17415791 -0.21263395!JEI 1.3797218 0.09419544 -2.21168461!

Parameter Berechnung und random factors

Grundsätzlich soll das einfachere Modell (1|Random) verwendet werden, es sei denn (a) sich die beiden Modelle signifikant unterscheiden und (b) der AIC-‐Wert bei (1+Fixed|Random) kleiner wird (siehe ppt zur Regression). Dies kann mit anova() geprüR werden:


c.lmer2 = lmer(Response ~ Cons + (1 + Cons|Sp), family="binomial", data = annalang)

anova(c.lmer, c.lmer2)

Df AIC BIC logLik Chisq Chi Df Pr(>Chisq) !c.lmer 4 1016.71 1035.75 -504.35 !c.lmer2 9 992.61 1035.47 -487.31 34.093 5 2.282e-06 ***!

(daher wird (1 + Cons|Sp) bevorzugt)

library(lme4)

lax = read.table(paste(pfad, "lax.txt", sep="/"))

Inwiefern wird der Umkipppunkt und/oder die Neigung zwischen /I/ und /ʊ/ vom Alter beeinflusst?

Ein /ɪ-‐ʊ/ KonJnuum wurde durch Herabsenken von F2 syntheJsiert

Die Versuchspersonen mussten pro SJmulus entscheiden: war es /I/ oder /ʊ/ (forced-‐choice test)?

Es gab 2 Gruppen von Versuchspersonen: alt und jung.

GLMM, Psychometrische Kurven, Umkipppunkte

Jung

Alt


Data-‐Frame lax

S !A C Stim P Q!2146 ELWI O sVt 1100 5 0!2151 ELWI O sVt 1164 5 0!2156 ELWI O sVt 1231 5 0!2161 ELWI O sVt 1301 5 0!2166 ELWI O sVt 1374 5 0!2171 ELWI O sVt 1450 5 0!

Die relevanten Variablen

Hörer Altersgruppe F2 /U/ Antworten

/I/ Anworten

zB Hörer ELWI (Altersgruppe Old) antwortete 5 Mal mit /U/ (und kein Mal mit /I/) zu dem Vokal-‐SJmulus mit F2 = 1100 Hz.

Response: ein forced-‐choice, binäres Urteil: /U/ oder /I/

50% Umkipppunkt

(1 + SJm | Vpn): Vermiielt m und k in dieser Formel pro Vpn.

€

p =e(mx+k )

1+ e(mx+k )

Random Factor

Fixed factor SJm: die numerischen Werte des KonJnuums

Vorgang

t-‐Test Haben jung vs. alt unterschiedliche Umkipppunkte oder unterschiedliche Neigungen?

Psychometrische Kurve mit curve() erstellen, Um-‐Punkt überlagern (vorige Seite)

= -‐k/m (2 Werte pro Sprecher, eins pro KonJnuum)

Siehe auch glmmcont1.pdf in der Webseite

Die Fragen: wird der Umkipppunkt zwischen /I/ und /ʊ/ (a) vom Kontext (b) vom Alter beeinflusst?

Zwei 13-‐stufige /ɪ-‐ʊ/ KonJnua wurden syntheJsiert in einem alveolaren (/sIt-‐sʊt/) und labialen Kontext (/wIl-‐wʊl/).

Die KonJnua wurden erzeugt durch Herabsenken von F2 in 13 Schriien).

Die Versuchspersonen mussten pro SJmulus entscheiden: war es /I/ oder /ʊ/?

Es gab 2 Gruppen von Versuchspersonen: alt und jung.

Ein Between-‐Factor (Alter), Ein Within-‐Factor (KonJnuum)

Alt

Jung

Jef hoch F2 Prop

. /ʊ/ Urteile 1

0

1

0


Data-‐Frame lax

S !A C Stim P Q!2146 ELWI O sVt 1100 5 0!2151 ELWI O sVt 1164 5 0!2156 ELWI O sVt 1231 5 0!2161 ELWI O sVt 1301 5 0!2166 ELWI O sVt 1374 5 0!2171 ELWI O sVt 1450 5 0!

Die relevanten Variablen

Hörer Altersgruppe F2 /U/ Antworten

/I/ Anworten

zB Hörer ELWI (Altersgruppe Old) antwortete 5 Mal mit /U/ (und kein Mal mit /I/) zu dem Vokal-‐SJmulus mit F2 = 1100 Hz in dem sVt (sit-‐soot) KonJnuum.

KonJnuum

Vorgang

Genau wie vorher, aber:

(a) lmer() und die Berechnung der Koeffiziente und Umkipppunkte wird getrennt pro KonLnuum durchgeführt.

(b) Anstai ein t-‐test benöJgen wir ein RM-‐Anova oder MM da es jetzt mehrere Faktoren gibt: einen Between (Altersgruppe) und einen Within (KonJnuum).

Das letztere ist within, weil KonJnuum 2 Stufen hat (sVt, wVl), zu dem jeder Hörer eine Antwort gegeben hat.

Siehe auch glmmcont2.pdf in der Webseite

generalised linear mixed models (glmm) und die logistische

Documents